一类非精确线性搜索下共轭梯度法的收敛性分析

给出了一类新的非精确线性搜索,说明了在新的线性搜索下每次迭代产生下降方向．证明了此类共轭梯度算法具有全局收敛性．     

一种新线性搜索下的共轭梯度法

文章给出了一种新的非精确线性搜索下的共轭梯度法,说明了在新线性搜索下每次迭代能够产生下降方向.证明了新线搜索下FR共轭梯度算法的全局收敛性.     

无约束优化问题的稀疏拟牛顿法

对无约束优化问题提出了一种稀疏拟牛顿法,算法在每次迭代中运用拟牛顿方法的思想确定其搜索方向,采用非精确线性搜索确定步长,在通常的假设条件下,证明了算法的全局收敛性和线性收敛速度.     

无约束优化问题的Newton-过滤器算法

构造了求解无约束优化问题的新算法,该算法结合了一般的Newton算法的思想和过滤器线性搜索策略,一方面搜索方向由Newton算法产生;另一方面在接受新的迭代点时,采用过滤器线性搜索策略,确定步长,且新算法是全局收敛的.     

有界约束非线性方程组的仿射内点法

本文给出了解决带变量有界约束的非线性方程组问题的仿射内点法,此方法将内点牛顿类方向与线性搜索相结合,它拓展了不精确牛顿法。方法使用了仿射技巧,其搜索方向采用不精确牛顿步,并用内点回代技巧和线性搜索技术保证迭代点严格可行和目标函数的下降量。文章给出了算法的整体收敛性和局部超线性收敛性的分析与证明。     

一种充分下降的共轭梯度法

在Dai-Liao共轭梯度法的基础上,提出了一种修正的共轭梯度法,该算法在强Wolfe线性搜索和精确线性搜索下具有充分下降性.同时,在确定步长的过程中,如果出现某个步长很小,则该算法的搜索方向会自动的接近当前迭代点的负梯度方向.     

非精确搜索一维全局最优化方法

研究一维全局最优化问题的确定性求解方法。运用逐次建立目标函数的线性下界函数,将不含全局最优解的子区域删除,并基于非精确搜索结合下降算法而得出非精确搜索一维全局最优化方法,使计算量减少且使迭代收敛加快。迭代结束时该算法得到一维全局最优化问题的ε－全局最优解。该方法具有有限收敛性且不需精确的局部优化过程。文中的数值实例表明该算法的有效性。     

用隐式ODE方法求解非线性方程组

将解非线性方程组转化为解常微分方程组的初值问题,利用隐式欧拉公式,得到线性收敛的迭代格式。采用非精确线性搜索的Armijo原则的算法求其解,证明给出的算法具有全局收敛性。通过一些数值例子,说明算法性能良好。     

有界约束非线性方程组的不精确牛顿类仿射共轭梯度路径方法

提供了不精确牛顿类的仿射内点离散共轭梯度法求解有界变量约束的非线性方程系统.通过构建仿射离散共轭梯度路径结合不精确牛顿步获得了搜索方向,并使用内点回代线搜索技术获得迭代步长.在合理的条件下,证明了算法的整体收敛性和局部超线性收敛速率.最后,数值结果表明了所提供的算法的有效性和可行性.     

一种改进的求解具有上界和下界的线性变分不等式问题的外梯…

本文研究求解线性变分不等式问题的迭代方法，结合Ｋｏｒｐｅｌｅｖｉｃｈ［１］提出的外梯度方法及不精确线搜索技术，给出了一种实用的迭代方法，在可解性条件下，证明了算法的全局收敛性。     

一类记忆梯度法的收敛性

研究一类新的记忆梯度法,算法利用当前点的负梯度和前一点的搜索方向的线性组合为搜索方向,以强wolfe线搜索确定步长,并证明了算法具有全局收敛性,当目标函数一致凸时讨论了收敛速度．     

一类修正的BFGS算法及其全局收敛性

基于Hiroshi Yahe等提出的新拟牛顿方程,给出了一类修正的BFGS算法,并在一定的假设条件下,结合Wolfe搜索准则证明了该算法具有全局收敛性.     

一种新线性搜索下的杂交共轭梯度法

将HS算法和DY算法结合起来,给出了一种求解无约束问题的杂交共轭梯度算法.在新的非精确线性搜索下,不需给定下降条件,证明了算法具有全局收敛性.     

一类新的Wolfe线性搜索下的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,不需计算和存储矩阵,适于求解大规模优化问题。初步的数值试验表明算法比Wolfe搜索下的FR,PRP和HS共轭梯度法及最速下降法有效。     

一类超线性收敛的广义投影非拟牛顿算法

结合广义投影算法与非拟牛顿法，给出了求解线性约束非线性规划问题的一类带有非精确线搜索的新算法。在一定的条件下，我们证明了该算法的全局收敛性和超线性收敛性。     

一个修正的SQP算法及其超线性收敛

通过修改传统的二次规划子问题,并将Armijo-型线搜索技术应用到一类罚参数可自动调整的罚函数,建立一种新的可行序列二次规划算法。克服了子问题可能会出现不可行的情况,并保证子问题在任意迭代点处都是可行的。在合理的假设条件下,证明了算法是具有全局收敛和超线性收敛的。     

新Armijo线搜索下的FR共轭梯度法及其收敛性

描述了一种在新Armijo线搜索下的Fletcher-Revees(FR)共轭梯度法,并分析了其收敛性,从理论上证明了借助新的Armijo线搜索,FR共轭梯度法不仅可保证在每步迭代中都容易找出步长,而且可保证全局收敛性.     

Armijo线搜索修正LS共轭梯度法的收敛性

基于修正LS共轭梯度法,给出合适的初始步长,使采用Armijo线搜索的迭代过程满足充分下降性.在较弱的条件下,证明算法具有全局收敛性和至少线性收敛速率.     

Armijo型线搜索下的新共轭梯度法的全局收敛性

共轭梯度法是解决无约束非线性最优化问题的重要的方法之一.基于FR方法好的收敛性并考虑到dk的下降性,提出了一类新的共轭梯度法,并在两种Armijo型搜索下,研究了新方法的全局收敛性.数据实验表明新方法是有效的.